Barriers and Enablers to Using a Patient-Facing Electronic Questionnaire: A Qualitative Theoretical Domains Framework Analysis
Notice bibliographique
Résumé
BACKGROUND: Electronic patient questionnaires are becoming ubiquitous in health care. To address care gaps that contribute to poor asthma management, we developed the Electronic Asthma Management System, which includes a previsit electronic patient questionnaire linked to a computerized clinical decision support system. OBJECTIVE: This study aims to identify the determinants (barriers and enablers) of patient uptake and completion of a previsit mobile health questionnaire. METHODS: We conducted semistructured interviews with adult patients with asthma in Toronto, Canada. After demonstrating the questionnaire, participants completed the questionnaire using their smartphones and were then interviewed regarding perceived barriers and enablers to using and completing the questionnaire. Interview questions were based on the Theoretical Domains Framework to identify the determinants of health-related behavior. We generated themes that addressed the enablers and barriers to the uptake and completion of the questionnaire. RESULTS: In total, 12 participants were interviewed for saturation. Key enablers were as follows: the questionnaire was easy to complete without additional knowledge or skills and was perceived as a priority and responsibility for patients, use could lead to more efficient and personalized care, completion on one's own time would be convenient, and uptake and completion could be optimized through patient reminders. Concerns about data security, the usefulness of questionnaire data, the stress of completing it accurately and on time, competing priorities, and preferences to complete the questionnaire on other devices were the main barriers. CONCLUSIONS: The barriers and enablers identified by patients should be addressed by developing implementation strategies to enhance e-questionnaire use and completion by patients. As the use of e-questionnaires grows, our findings will contribute to implementation efforts across settings and diseases.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,026 | 0,026 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,005 | 0,005 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,001 | 0,005 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».